Neues Deep-Learning-Modell verbessert Vorhersage von Lieferverzögerungen

Die präzise Vorhersage von Lieferverzögerungen ist entscheidend für die Effizienz von Lieferketten und die Zufriedenheit der Kunden. Doch die zunehmende Komplexität moderner Logistiknetzwerke – von multimodalen Transporten über grenzüberschreitende Routen bis hin zu stark regionalen Unterschieden – macht diese Aufgabe besonders herausfordernd.

In dem auf arXiv veröffentlichten Beitrag wird ein Multi‑Task‑Deep‑Learning‑Modell vorgestellt, das Lieferverzögerungen in einem stark unausgeglichenen Datensatz – verzögerte Sendungen sind selten, aber von großer Bedeutung – vorhersagt. Das Modell nutzt spezielle Embedding‑Schichten für tabellarische Daten und folgt einer Klassifikations‑und‑Regressions‑Strategie, um die Verzögerungsdauer sowohl für pünktliche als auch für verspätete Sendungen zu schätzen. Durch das end‑to‑end‑Training erkennt es verspätete Fälle besser und ermöglicht probabilistische Vorhersagen, die eine Unsicherheits‑bewusste Entscheidungsfindung unterstützen.

Die Evaluation erfolgte an einem umfangreichen, realen Datensatz eines Industriepartners mit über 10 Millionen historischen Sendungen aus vier Hauptstandorten, die jeweils unterschiedliche regionale Charakteristika aufweisen. Im Vergleich zu klassischen Machine‑Learning‑Methoden erzielte das Modell einen mittleren absoluten Fehler (MAE) von 0,67 bis 0,91 Tagen für verspätete Sendungen. Das übertraf tree‑basierte Regressionsbaselines um 41 bis 64 % und zwei‑stufige Klassifikations‑und‑Regressions‑Modelle um 15 bis 35 %.

Das Ergebnis zeigt, dass das vorgestellte Modell die Vorhersagegenauigkeit von Lieferverzögerungen signifikant steigert und damit Unternehmen eine bessere Planung und Kundenzufriedenheit ermöglicht. Der Beitrag ist auf arXiv verfügbar und bietet Forschern und Praktikern einen wertvollen Ansatz für die Optimierung moderner Lieferketten.